U-Net
U-Net ir pilnībā konvolucionāra kodētāja-dekodētāja arhitektūra, ko 2015. gadā MICCAI konferencē ieviesa Ronneberger, Fischer un Brox. Tā veido blīvas pikseļu segmentācijas maskas, apvienojot sašaurinošu ceļu, kas uztver kontekstu, ar simetrisku paplašinošu ceļu, kas nodrošina precīzu lokalizāciju — visu savieno izlaišanas savienojumi (skip connections), kas saglabā smalkas telpiskās detaļas. Tā kļuva par standarta bāzes līniju biomedicīnisko attēlu segmentācijai un kopš tā laika ir kļuvusi par vienu no visplašāk izmantotajām arhitektūrām jebkuram pikseļu līmeņa prognozēšanas uzdevumam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In N. Navab et al. (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, LNCS 9351 (pp. 234–241). Springer. DOI: 10.1007/978-3-319-24574-4_28 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Kā citēt šo lapu
ScholarGate. (2026, June 3). U-Net: Convolutional Networks for Biomedical Image Segmentation. ScholarGate. https://scholargate.app/lv/deep-learning/u-net
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Pilnībā konvolucionāls tīkls (FCN)Dziļā mācīšanās↔ compare
- Mask R-CNN: Instanču segmentācija ar pikseļu līmeņa maskāmDziļā mācīšanās↔ compare
- ResNet (Atliekošais tīkls)Dziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →